可灵声音克隆

要解决的问题

当需要用特定音色朗读自定义文本时，普通 TTS 往往只能给出通用声音，无法稳定还原参考音频里的音色、语感和说话风格。这个技能面向配音、角色语音、批量文本转语音等场景，把“上传参考音频 + 提供提示词或参数”封装成一次可执行、可轮询的生成任务，适合嵌入已有内容生产或自动化流程。

工作方式与关键能力

• 该技能是 dLazy hosted API 的 thin client，核心调用是 dlazy kling-audio-clone。
• 所有请求都需要 dLazy API Key，可通过 CLI 配置，也可以用 DLAZY_API_KEY 环境变量传入。
• 传入本地音频路径时，文件会被上传到 dLazy media storage，模型读取后生成语音，返回结果通常托管在 files.dlazy.com。
• 支持异步模式：使用 --no-wait 后会返回 generateId 和任务状态，可用 dlazy status --wait 轮询生成结果。
• 错误处理覆盖常见链路问题，包括 unauthorized、缺少必填参数、本地文件读取失败、余额不足、服务端错误，以及异步任务因安全策略失败等。

适用边界与注意

• 生成能力依赖 dLazy 账号、API Key、余额和服务条款，不是完全本地推理方案。
• API Key 与 dLazy organization 绑定，可以在控制台轮换或撤销。
• 如果返回 insufficient_balance，需要提示用户处理余额；如果返回 unauthorized，需要先完成 API Key 配置。
• 最终语音效果仍受参考音频质量、模型能力和提示词约束，不应假设它能无限逼近原说话人。